100万小时人类视频训练机器人，Dyna-2转钥匙成功率达90%，具身智能进入数据分工新阶段

当机器人面对一把锁盒上的钥匙时，它需要理解的不只是‘转动’这个动作，而是手如何握持、钥匙如何插入、阻力何时出现、角度如何微调——这些细节在传统机器人示范数据中难以穷尽。近期一系列研究指向一个新路径：让机器人直接观看人类操作视频，从中学习任务逻辑与世界动态，再结合少量本体示范完成动作落地。这一策略已在多个实验中取得显著效果。

Dyna Robotics的Dyna-2模型提供了最直观的证据。研究团队设置四组模型，分别用1,000小时、1万小时、10万小时和100万小时的人类第一视角视频进行预训练，随后统一接受不超过10小时的真实机器人任务训练。在14项真机任务之一的‘锁盒转钥匙’测试中，前三组全部失败；而100万小时预训练组在10次尝试中成功9次，成功率高达90%。

这一结果并非偶然。图中清晰显示，随着预训练视频时长从1k增至1M小时（对数尺度），14项任务的平均标准化得分从25分稳步升至53分；具体到‘绳结’与‘锁钥转动’两项高难度任务，100万小时组的成功率从0%跃升至90%，而1k小时组始终为0%。关键在于：所有模型后续使用的机器人示范数据量相同，差异仅来自前期人类视频的积累。这验证了一个核心假设——人类视频能有效补足机器人对‘任务如何展开’的理解，从而降低对稀缺本体数据的依赖。

为何人类视频如此有效？根本原因在于其信息密度与泛化潜力。一段第一视角视频可同时记录手部轨迹、物体状态变化、接触力学信号及任务时序结构，例如拇指与食指开合反映抓握强度，手腕位姿揭示运动路径。Dyna-2正是从中提取三维手部运动作为监督信号，并让模型同步预测‘动作之后世界将如何变化’。离线实验表明，在动作标注数据量固定条件下，额外加入无标签视频用于未来画面预测，模型在39项任务中的预测准确率全面优于仅学动作的基线。

英伟达的DreamZero进一步将‘预测未来画面’纳入决策闭环。研究者围绕9项未见任务补充12分钟无标签人类视频后，机器人平均任务进度从38.3%提升至54.3%。这说明，即使没有动作指令，仅靠视觉序列建模世界动态，也能显著增强行为生成能力。

与此同时，新型数据采集范式正在成型。Figure公司构建贡献者系统，由用户上传第一视角操作视频，经筛选、标注与任务平衡后用于训练; Nature Will发布的Natura-1模型则直接采用100万小时视频预训练，参数达500亿（MoE架构），宣称可零样本响应自然语言指令并驱动灵巧手执行抓取、精细操作与错误恢复等长序列任务。

值得注意的是，人类视频并非简单‘拿来即用’。研究者普遍对原始素材进行深度处理：Dyna-2提取手部运动轨迹；DreamZero聚焦特定任务短视频；HIL-UMI（董豪团队提出）则引入人机协同采集机制——操作者手持通用夹爪（UMI）演示时，模型实时预测自身动作并与人类行为比对，自动识别薄弱环节，指导后续针对性补采。该方法避免了传统HG-DAgger需机械臂实际运行的高成本，实现‘无需机器人执行即可发现模型短板’。

这种分工逻辑日益清晰：人类视频负责建模‘任务逻辑’与‘世界动力学’，即回答‘做什么’和‘会发生什么’；机器人示范则专注‘身体控制’，解决‘这副机械臂如何动’的问题。前者可快速扩展——互联网级视频资源远超机器人示范的采集效率；后者仍稀缺，但因需求精准化而更高效。

行业实践已印证该路径可行性。星动纪元10月开放VPP2视频模型权重，将学习过程拆解为‘预测任务发展→压缩视觉规划→生成动作’三阶段，当前释放前两部分；Skild AI在9月实现‘单段人类视频定义新任务’；Dyna同期探索跨机器人身体的经验迁移。这些努力共同指向同一趋势：具身智能的瓶颈正从‘模型能力不足’转向‘数据供给结构不合理’。

技术挑战依然存在。视频到动作的映射需解决视角差异、尺度变换与接触建模问题；当前成功案例多集中于桌面级操作，复杂环境（如非结构化家庭场景）仍面临泛化难题。此外，高质量第一视角视频的采集、标注与清洗成本仍较高，尚未形成像ImageNet那样的标准数据集。

但方向已然明确。当100万小时的人类经验能让机器人在零样本条件下理解‘转钥匙’这一物理交互，具身智能的训练范式正在发生本质转变：不再等待机器人一遍遍试错，而是先让它‘看懂人类怎么做’，再教会它‘自己怎么动’。这条路径若持续验证有效，机器人学习新技能的周期有望从数周缩短至数小时，真正迈向实用化拐点。